AI|依图三变，“退群”AI四小龙( 二 )
图片
2019年初 ， 依图又在NLP&医疗领域曝出大进展 ， 联合广州妇女儿童医疗中心等机构的研究成果 ， 登上国际知名医学科研期刊《自然医学》（Nature Medicine） 。
实际上 ， 当时一连串进展 ， 外界只是以为在打破旧边界 。
但等到「智能密度」的认知方法披露 ， 才让人意识到依图正在形成自己的AI落地思想理念和方法论 。
AI普及的关键 ， 在于智能密度 。
依图联合创始人、CEO朱珑 ， 屡屡在公开演讲中疾呼强调 。 
图片
核心出发点是过去几年来 ， 算法性能高速发展和机器算力提升缓慢的矛盾正越来越明显 。
也是基于这种理念和实践认知 ， 最终依图走上一条难而正确的路 。
针对应用场景和业务逻辑定义人工智能芯片 。 更通俗来讲——自研AI芯片 。
后来芯片流片成功对外发布 ， 依图这样完整解释过逻辑 。
一方面 ， 要满足自身业务和产业需求 。
现有的计算机架构已经无法满足人工智能 ， 尤其是深度学习对算力的需求 ， 工艺制程的提高终将碰到物理极限 。 摩尔定律濒临终点 ， 但算法性能仍在万倍提升 。
因此 ， 产业已经处于这样的前夜——应该以AI为中心来思考计算机体系结构 ， 算法即芯片 。
在这样的时代 ， 算法和芯片两者紧密耦合 ， 不可分离；只有懂算法的AI公司才能做出更好的AI芯片 ， 才能将算力更高效地转化为智能 。
并且任何一项技术 ， 要实现大规模推广 ， 成本降低 ， 实现高性价比的规模化应用 ， 让绝大多数人都能用得起 ， 是基本前提 。
所以唯有自研芯片 ， 依图才能最大化算法之力 ， 形成软硬件一体化解决方案 ， 为客户提供更高价值 。
放眼更宽泛的全球产业中 ， 特斯拉也做出了和依图相似的判断 。 
图片
这家马斯克旗下的电动汽车公司 ， 因为在产品迭代中积累了对自动驾驶算法和软件的深度理解 ， 从而意识到供应商所提供的芯片在算力、功耗、效能上已经无法满足其对于汽车功能的设计要求 ， 也选择自研全自动驾驶硬件HW3.0 。
更后来 ， HW3.0的横空出世 ， 确实「不鸣则已 ， 一鸣惊人」：
采取双神经网络处理器冗余模式 ， 整体性能达到144TOPS ， 一下子就达到了英伟达Drive Xavier的理论性能值21 TOPS的7倍 。
并且 ， 相比于搭载升级版英伟达Drive PX2计算平台的Autopilot 2.5版本 ， 每辆车的硬件成本降低约20% 。
可以说 ， 特斯拉如今一骑绝尘的市值和产品力成功 ， 就是软硬件一体化、软件重新定义硬件、算法即芯片的成功 。 
图片
不过 ， 这还不是依图之变——从算力重塑公司和产业——的全部原因 。
最后但最重要的原因 ， 这是一个世界级的机会 。
依图之变在未来
没错 ， 面向未来 ， 世界级的机会 。
依图认为 ， 智能时代 ， 没有先例可循 ， 中国AI创业公司与世界科技巨头 ， 站在同一起跑线上 ， 完全有机会成为新时代的巨头 。
从芯片设计的角度讲 ， 在算法即芯片时代 ， 重要的是找对芯片的应用场景 ， 并准确预判该场景下最适合的智能算法 ， 然后根据两者定制芯片 。
这种从场景和数据直接到计算系统或芯片架构的「端到端设计」 ， 是未来人工智能计算和高性能计算芯片及系统整体性能提升的关键所在 。
这就涉及到对算法发展趋势、实际应用场景和具体业务逻辑的洞察 。
从这个维度出发 ， 顶尖中国AI公司不一定比外国公司差 。
![[绿豆]男人想要长寿，5件“耗阳”的事要“舍弃”，一些人表示很难做到](http://img88.010lm.com/img.php?https://image.uc.cn/s/wemedia/s/2020/26fa2bbcc60faf5ef39679c3f1999fd3.jpg)
